Fintunet Transformer
Fintuning af en Transformer tilpasser en stor fortrænet model – såsom BERT, GPT eller ViT – til en specifik downstream-opgave ved at fortsætte gradientbaseret træning på et mærket mål-datasæt. Dette to-trins paradigme (fortræn derefter fintun) opnår konsekvent state-of-the-art resultater på tværs af NLP- og computer vision-opgaver med langt mindre opgavespecifik data end træning fra bunden.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Kilder
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. link ↗
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, 4171–4186. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Fine-Tuned Transformer (Task-Specific Adaptation of Pre-Trained Transformer Models). ScholarGate. https://scholargate.app/da/deep-learning/fine-tuned-transformer
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- BERT-baseret klassifikationDyb læring↔ compare
- Finjusteret BERT-baseret klassifikationDyb læring↔ compare
- Finetunet Recurrent Neural NetworkDyb læring↔ compare
- RoBERTa-baseret KlassifikationDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →